یادگیری عمیق سرتاسری برای معاملات اختیار سهام
خلاصه
این سند رویکردی سرتاسری در یادگیری ماشین را شرح می‌دهد که داده‌های بازار اختیار معامله را مستقیماً به سیگنال‌های معاملاتی نگاشت می‌کند. برخلاف رویکردهایی که پویایی بازار را مشخص می‌کنند یا به مدل قیمت‌گذاری اختیار متکی‌اند، این روش مدل‌ها را برای یادگیری رابطه میان داده‌های مشاهده‌شده و تصمیم‌های معاملاتی آموزش می‌دهد. همچنین برای لحاظ کردن فعالیت معاملاتی و هزینه‌های آن، منظم‌سازی گردش معاملات را به کار می‌گیرد.
بک‌تست گزارش‌شده بیش از یک دهه اختیار معامله سهام شرکت‌های تشکیل‌دهنده S&P 100 را دربرمی‌گیرد. نویسندگان عملکرد تعدیل‌شده برحسب ریسک بهتری نسبت به استراتژی‌های مبتنی بر قواعد و نیز بهبودهای بیشتری در اثر منظم‌سازی گردش معاملات در شرایط هزینه‌های معاملاتی بسیار بالا گزارش می‌کنند. خلاصه جزئیات مدل، ارقام عملکرد یا اطلاعاتی درباره طراحی اعتبارسنجی ارائه نمی‌کند؛ بنابراین، از همین توضیح به‌تنهایی نمی‌توان قدرت و تعمیم‌پذیری عملی نتایج را ارزیابی کرد.
ایده‌های کلیدی
- این رویکرد بدون مشخص کردن پویایی بازار یا مدل قیمت‌گذاری اختیار، سیگنال‌های معاملاتی را مستقیماً از داده‌های بازار اختیار یاد می‌گیرد.
- در آن از مدل یادگیری عمیق سرتاسری برای نگاشت مشاهدات به تصمیم‌های معاملاتی استفاده می‌شود.
- منظم‌سازی گردش معاملات برای درنظرگرفتن فعالیت معاملاتی و هزینه‌های آن به کار می‌رود.
- بک‌تست گزارش‌شده بیش از یک دهه اختیار معامله سهام شرکت‌های S&P 100 را پوشش می‌دهد.
- نویسندگان از بهبود عملکرد تعدیل‌شده برحسب ریسک در مقایسه با استراتژی‌های مبتنی بر قواعد خبر می‌دهند.
برچسب‌ها
متن کامل
# Deep Learning for Options Trading: An End-To-End Approach # Deep Learning for Options Trading: An End-To-End Approach We introduce a novel approach to options trading strategies using a highly scalable and data-driven machine learning algorithm. In contrast to traditional approaches that often require specifications of underlying market dynamics or assumptions on an option pricing model, our models depart fundamentally from the need for these prerequisites, directly learning non-trivial mappings from market data to optimal trading signals. Backtesting on more than a decade of option contracts for equities listed on the S&P 100, we demonstrate that deep learning models trained according to our end-to-end approach exhibit significant improvements in risk-adjusted performance over existing rules-based trading strategies. We find that incorporating turnover regularization into the models leads to further performance enhancements at prohibitively high levels of transaction costs.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.